Strojové vzdelávanie v zdravotníctve

Strojové vzdelávanie (ktoré je súčasťou celej vedy o umelej inteligencii) dnes hrá jednu z najväčších úloh v mnohých oblastiach nášho života - vrátane zdravotnej starostlivosti. To môže zahŕňať rôzne aspekty týkajúce sa zdravia, ako napríklad vývoj nových lekárskych postupov, riešenie údajov o pacientovi a predpovedanie výsledkov liečby chorôb .

Pokiaľ však ide o predpovedanie výsledku chirurgických zákrokov a iných lekárskych ošetrení, účinnosť metód strojového učenia je len do určitej miery známa, aspoň pokiaľ ide o predpovedanie výsledku pomocou údajov získaných od ľudských lekárov a iných lekárov.

Predikcia výsledkov choroby

Teraz, v štúdii v časopise Journal of American Medical Association (JAMA) z 12. júla 2015, vedci z University of Rochester Medical Center a University of Illinois hlásia, že strojové učenie môže umožniť lekárom robiť relatívne presné predpovede výsledky choroby.

Vedci, ktorých vedie Prof. Paul Nierenberg, vyvinuli algoritmus, ktorý využíva súbor údajov vrátane údajov o pacientovi na predpovedanie výsledkov ochorenia a komplikácií pri chirurgických zákrokoch a iných lekárskych postupoch porovnaním informácií z lekárskych záznamov pacientov s informáciami z počítača. programy, ktoré vypočítavajú pravdepodobnosť výsledku.

Predikcia výsledkov chirurgie

Tieto informácie sa potom môžu použiť v predoperačných analýzach na predvídanie pravdepodobných výsledkov určitého postupu.

„Súčasná generácia diagnostických a chirurgických postupov je kombináciou počítačovej simulácie celého postupu a anamnézy pacienta,“ vysvetľuje Dr. Brian Meech, hlavný autor štúdie a riaditeľ Centra lekárskych informácií na University of Rochester. Zdravotné stredisko. „Počítačové modely bohužiaľ simulujú analýzu rizík a prínosov iba v relatívne malom počte chirurgických zákrokov, často menej ako jedno percento.“

Metóda analýzy štúdie mala dôsledky, ktoré presahujú iba potenciálne účinky postupu na zdravotný stav príjemcu. Pri porovnaní rizika nežiaducich udalostí naprieč chirurgickými zákrokmi u ľudí všetkých vekových skupín sa predpokladalo, že by sa pred diagnózou vykonalo väčšie množstvo zákrokov, a teda v inom vekovom rozmedzí, čím by sa znížilo riziko nepriaznivých následkov.

Nový výskum analyzoval údaje z viac ako 6 000 operácií v priebehu 40-ročného obdobia v USA, druhej najväčšej populácii, kde boli tieto údaje k dispozícii.

Vývoj nových liekov

Použitie strojového učenia v predbežnom (skorom) štádiu objavovania liekov má potenciál pre rôzne použitia, od počiatočného skríningu zlúčenín liečiv po predpovedanú mieru úspešnosti založenú na biologických faktoroch.

Môže potenciálne pomôcť predpovedať účinnosť a bezpečnosť liečiva (čo je jeden z hlavných cieľov vývoja nových liekov), ako aj poskytnúť informácie o nových zložkách, ktoré sa potenciálne vyvíjajú na nové lieky.

Tento nový prístup k vývoju nových liekov je dôležitý, pretože súčasné prístupy sa spoliehajú na predpoklad, že každá zlúčenina má špecifický, dobre preštudovaný cieľ, ktorý obmedzuje vývoj nových liekov na malé skupiny zlúčenín. Predpokladá sa tiež, že „najlepšia“ zlúčenina je prvá, ktorá sa dostala do klinických skúšok.

To znamená, že veľa zlúčenín, ktoré nespôsobia žiadnu ujmu, môžu mať iba slabý účinok alebo by sa mohli ukázať ako škodlivé pri vysokých dávkach, môže získať schválenie FDA, aj keď tieto zlúčeniny sa nedajú spoľahlivo študovať, pretože môžu byť škodlivejšie so zvyšujúcou sa dávkou.

Ťažba dát

Získavanie údajov je čoraz dôležitejšou oblasťou štúdia v oblasti verejného zdravia. Vykonávaním rôznych úloh, napríklad strojového učenia vo vyhľadávaní, dolovanie údajov má širokú škálu foriem: použitie modelu založeného na údajoch na extrahovanie významu zo súboru údajov, extrahovanie relevantných premenných zo súboru údajov a následné vyhodnotenie modelu. na tieto premenné.

Dolovanie údajov je vysoko komplexný a interdisciplinárny študijný odbor, ktorý sa môže pohybovať od základnej analýzy údajov po ťažbu a interpretáciu údajov.